CASO 1: REGRESION LINEAL SIMPLE

Slides:

Advertisements

Presentaciones similares

Tema 6: Regresión lineal.

Advertisements

Tema.9.Predicción y estimación. Concepto. Cálculo de la ecuación de regresión lineal. Modelo general lineal. Evaluación del modelo. Diagnóstico del modelo.

MODELO DE REGRESIÓN LINEAL SIMPLE

Tema 2. El modelo de regresión lineal simple

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN Lic. Oscar Noé López Cordón

Regresión lineal simple

REGRESION LINEAL SIMPLE

Error Estándar de la Media

MÉTODOS DE MEDICIÓN DE COSTOS.

Covarianza muestral Sean x1, x2, ..., xn e y1, y2, ..., yn dos muestras aleatorias independientes de observaciones de X e Y respectivamente. La covarianza.

Curso 2006/07 S. Ramírez de la Piscina Millán U.D. Técnicas Experimentales Departamento de Física y Química Aplicadas a la Técnica Aeronáutica Técnicas.

Modelado y simulación en Ingeniería Química. Manuel Rodríguez

REGRESION & CORRELACION

Introducción a la Estadística. Modelos de regresión

Regresión Lineal y Regresión Polinomial

ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL

Econometria 2. Modelo de Regresión Lineal Simple

Modelo básico de regresión Lineal

Universidad del Cauca1 CAPITULO 3. INTERPOLACION En este capítulo se tratan 2 problemas:

Regresión y correlación

Regresión Lineal Simple

Métodos Matemáticos I.

REGRESIÓN Y CORRELACIÓN

Estadística Descriptiva: 4. Correlación y Regresión Lineal

بسم الله الرحمن الرحيم.

Estadística Descriptiva: 4. Correlación y Regresión Lineal Ricardo Ñanculef Alegría Universidad Técnica Federico Santa María.

Regresión Lineal Simple

Curso de Estadística Básica

1º BACHILLERATO | Matemáticas © Oxford University Press España, S.A Hacer clic en la pantalla para avanzar VARIABLE ESTADÍSTICA UNIDIMENSIONAL Población:

9 Regresión Lineal Simple

Tema 2: Métodos de ajuste

MEDIDAS DE DISPERSIÓN:

Análisis de Correlación y de Regresión lineal simple

Técnicas estadísticas paramétricas univariantes: regresión

PROYECCIONES DE LA DEMANDA

REGRESION Y CORRELACION

BIOMETRIA II TEMA 2 El Modelo de Regresión.

Pronósticos, Series de Tiempo y Regresión

Pronósticos, Series de Tiempo y Regresión

Programación Numérica

APROXIMACIÓN INTERPOLACIÓN Y REGRESIÓN. INTERPOLACIÓNREGRESIÓN.

Modelo de regresión con dos variables: Estimación

Métodos de calibración: regresión y correlación

Universidad Nacional de Colombia

Introducción a la Inferencia Estadística

Estadística Descriptiva

LA RECTA DE REGRESIÓN CONTENIDOS:

RELACIÓN ENTRE VARIABLES

Regresión lineal simple

Regresión lineal múltiple

REGRESION LINEAL II Mario Briones L. MV, MSc

1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.

Modelos lineales: trabajaremos con los siguientes datos Nota: Los datos bájelos del taller 2 de la Web del curso.

1 Y MODELO DE REGRESIÓN SIMPLE Suponemos que una variable Y es una función lineal de otra variable X, con parámetros desconocidos  1 y  2 que queremos.

Regresión Lineal Simple

Coeficiente de determinación y análisis de varianza de la regresión

CORRELACIÓN Y REGRESIÓN EMPLEANDO EXCEL

Construcción de modelos con regresión y correlación

Unidad 4 Análisis de los Datos.

La recta de regresión, se denomina «Recta de ajuste Optimo» (bajo el criterio de los mínimos cuadrados (no hay otra mejor que ella bajo este criterio).

TEMA : ANALISIS DE REGRESION

Germán Fromm R. 1. Objetivo Entender los diseños metodológicos predictivos 2.

1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.

ESTADISTICA DESCRIPTIVA BIVARIADA MEDIDAS DE RELACIÓN ENTRE VARIABLES CUANTITATIVAS.

REGRESIÓN LINEAL SIMPLE TEMA INTRODUCCIÓN Determinar la ecuación de regresión sirve para: – Describir de manera concisa la relación entre variables.

1 REGRESIÓN CON VARIABLES DICOTÓMICAS TEMA 1 (CONTINUACIÓN)

METODO DEL PUNTO ALTO Y DEL PUNTO BAJO

M.E. ADA PAULINA MORA GONZALEZ. Esta parte describe las técnicas para ajustar curvas en base a datos para estimaciones intermedias. Una manera de hacerlo.

Transcripción de la presentación:

CASO 1: REGRESION LINEAL SIMPLE El ejemplo más simple de una aproximación por mínimos cuadrados es el ajuste de una línea recta a un conjunto de parejas de datos observadas: (X1,Y1) , (X2,Y2) , (X3,Y3) , . . . , (Xn,Yn) El procedimiento es el siguiente: Dados este conjunto de valores, en donde solo hay una variable independiente X Y 1 0,5 2 2,5 3 2,0 4 4,0 5 3,5 6 6,0 7 5,5 Para estimar los coeficientes (DE LA RECTA) por medio de mínimos cuadrados, se utilizan las siguientes fórmulas: Universidad del Cauca

CASO 1: REGRESION LINEAL SIMPLE Por lo tanto, el ajuste con mínimos cuadrados es (la ecuación de la recta): y = 0.07142857143 + 0.8392857143x Universidad del Cauca

CASO 1: REGRESION LINEAL SIMPLE Cuantificación del error en la regresión lineal Lo primero que debemos hacer es calcular la Desviación Estándar Total St n - 1 Sy = Donde St es la suma total de los cuadrados de las restas entre cada uno de los puntos y la media, esto es: St = (yi – y) 2 22.714285714 7 - 1 Sy = = 1.94569121 Universidad del Cauca

CASO 1: REGRESION LINEAL SIMPLE Y el error estándar de la aproximación es : Sy/x = Sr n - 2 (yi – bo – (b1*Xi)) 2 Donde Sr = B0 B1 y = 0.0714285714 + 0.8392857143x 2.991071429 7 - 2 Sy/x = = 0.773443137 Como Sy/x < Sy la aproximación se considera aceptable Universidad del Cauca

CASO 1: REGRESION LINEAL SIMPLE Finalmente: St  suma total de los cuadrados de las restas entre cada uno de los puntos y la media Sr  suma de los cuadrados de las restas alrededor de la línea de regresión La diferencia entre esas 2 cantidades, o St – Sr, cuantifica la mejora en la reducción del error debido al modelo de la línea recta. Esta diferencia se puede normalizar al error total y obtener: St - Sr St r = 2 En donde r es el coeficiente de correlación y r = 2 es el coeficiente de determinación r 2 Para un ajuste perfecto, Sr = 0 y = 1, indicando que la línea recta explica el 100% de la variabilidad. Si = 0, entonces el ajuste no representa mejorías. Para el ejemplo que venimos tratando: 22.714285714 - 2.991071429 22.714285714 r 2 = = 0.86831761 r = 0.931835613 El resultado indica que el 86.83% de la incertidumbre original se ha explicado mediante el modelo lineal. Universidad del Cauca